INSTITUTO TECNOLOGICO SUPERIOR DE
COATZACOALCOS
ALUMNO:
Lizzet García Márquez
ASIGNATURA:
Tecnologías Innovadoras
CATEDRATICO:
LIZBETH HERNANDEZ OLAN
ACTIVIDAD:
Investigación
GRADO: 9° GRUPO:B
18 de Diciembre del 2015
ÍNDICE
INTRODUCCIÓN……………………………………........................... 3
DENDRAL……………………………………………………………….. 4
XCON……………………………………………………………………. 5
MYCIN…………………………………………………………………… 6
PROLOG………………………………………………………………… 7
DIPMETER ADVISOR…………………………………………………. 8
CONCLUSIÓN………………………………………………………….. 9
BIBLIOGRAFÍA…………………………………………………………. 10
INTRODUCCION
Como sabemos los sistemas expertos pueden almacenar el conocimiento de
expertos para un campo de especialidad determinada lo cual nos permite
solucionar un problema mediante la deducción lógica, gracias a su capacidad
de representar la transición del procesamiento de datos al procesamiento de
conocimientos sustituyendo al mismo tiempo los algoritmos por mecanismo de
inferencia.
Los sistemas expertos encuentran aplicaciones allí donde haya conocimientos
especializados y experiencia.
La aplicación de sistemas expertos será adecuada allí donde los expertos
dispongan de conocimientos complejos en un área estrechamente delimitada,
donde no existan algoritmos elaborados(o donde los existentes no puedan
solucionar algunos problemas y no existan teorías completas.
Otro campo de aplicación es allí donde hay teorías, pero resulta prácticamente
imposible analizar todos los casos teóricamente imaginables mediante
algoritmos y en un espacio de tiempo razonable.
A continuación de describirán algunos sistemas expertos que han mostrado
resultados relevantes con la finalidad de poder exhibir sus características,
fiabilidad e incluso vulnerabilidades.
Dendral
ORIGEN: Desarrollado por Edward Feigenbaum y otros programadores en la
Universidad de Stanford, a mediados de los años 60, y su desarrollo duró diez
años, (1965 a 1975).
FUNCION: Permite resolver la cuestión planteada anteriormente a través de un
proceso de búsqueda de generación y prueba jerárquica que se divide en tres
partes funcionales: plan, generación y prueba. Su base de conocimientos se
desglosa en dos conjuntos de reglas correspondientes a cada una de las fases
de desarrollo del sistema.
Fases de diseño
J. Lederber, realiza la descripción autobiográfica del desarrollo de este
sistema. A lo largo de este documento se distinguen dos fases de diseño bien
diferenciadas que se detallan a continuación.
Primera Fase Consistía en calcular todos los compuestos que podían dan
lugar al número másico de la molécula inicial, teniendo en cuenta el número
másico de cada uno de los átomos en los que se dividía el compuesto y las
restricciones de valencia. Estas restricciones permitieron podar el árbol de
posibles soluciones rápidamente, reduciendo el coste computacional de la
búsqueda exhaustiva que se estaba realizando.
Segunda Fase Intentaba modelar el procedimiento inferencia del experto
químico para encontrar la estructura molecular de la combinación que se
consideraba solución: representar dicha estructura en forma de grafo.
META-DENDRAL y GENOA
ACTULIZACIONES: META-DENDRAL es un sistema de auto-aprendizaje que
permitía inducir sus propias reglas a partir de la introspección de datos de
entrada procedentes de la fragmentación del espectrómetro másico de
moléculas cuya estructura es conocida.
DENDRAL y posteriormente su mejora META-DENDRAL tan sólo fueron
usados por investigadores y universidades. La versión más reciente del
generador de estructuras interactivo, GENOA, ha sido autorizada para uso
comercial; aunque su uso principalmente está limitado a la investigación
académica.
XCON
ORIGENES: Basado en reglas escrito en OPS5 por John P. McDermott de
CMU en 1978 para asistir a los pedidos de los sistemas de computadores VAX
de DEC (Digital Equipment Corporation) seleccionando los componentes del
sistema de acuerdo a los requerimientos del cliente.
Antes de XCON, cuando se pedía una VAX de DEC, cada cable, conexión y bit
del software tenía que pedirse por separado (las computadoras y periféricos no
se vendían completas en cajas como hoy en día). El personal de ventas no
siempre era experto técnicamente, así que los clientes podían encontrar que
tenían hardware sin los cables correctos, impresoras sin los drivers correctos,
procesadores sin el lenguaje correcto, etc. Esto significaba demoras y
provocaba una gran insatisfacción en el cliente y podía terminar en una acción
legal. XCON interactuó con el personal de Ventas, haciendo preguntas críticas
antes de imprimir una hoja de especificaciones para sistema coherente y
efectivo.
ACTULIZACIONES: El éxito de XCON llevó a DEC a reescribir XCON como
XSEL (una versión de XCON creada para ser usada por el departamento de
ventas de DEC para auxiliar a los clientes a configurar apropiadamente su VAX
(así ellos no eligirían una computadora demasiado grande como para pasar a
través de su puerta de entrada o con gabinetes muy chicos para los
componentes). Los problemas de locación y de configuración todavía eran
manejados por otro sistema experto, XSITE.
El paper de McDermott sobre el R1 ganó el AAAI Clasic Paper Award en 1999.
Legendariamente, el nombre de R1 viene de McDermott, quien se supone que
dijo mientras lo escribía, "tres años atrás quería ser un ingeniero de
conocimientos, y hoy yo somos uno" --> "Three years ago I wanted to be a
Knowledge engineer, and today I are one("Are one" en inglés tiene el mismo
sonido que R1)"
Mycin
ORIGENES: A principios de los años 70 por Edgar ShortLiffe, en la Universidad
de Stanford. Fue escrito en Lisp, e inicialmente estaba inspirado en Dendral,
otro sistema experto que tuvo cierto éxito a finales de los años 60.
FUNCION: Diagnosticar enfermedades infecciosas de la sangre, se basaba
principalmente en un sencillo motor de inferencia, que manejaba una base de
conocimiento de aproximadamente unas 500 reglas. Era capaz de “razonar” el
proceso seguido para llegar a estos diagnósticos, y de recetar medicaciones
personalizadas a cada paciente (según su estatura, peso, etc.).
El programa capturaba las entradas a partir de una serie de preguntas (como
por ejemplo, ¿Tiene el paciente molestias en el pecho?, o ¿Ha sido operado el
paciente anteriormente?), que usualmente respondía el médico del paciente.
Tras este proceso, Mycin mostraba la salida por pantalla, que consistía en una
serie de posibles enfermedades (ordenadas por su probabilidad asociada), la
explicación del por qué de cada uno de estos diagnósticos, y una serie de
recomendaciones sobre el tratamiento a seguir por el paciente. Para calcular la
probabilidad de cada uno de los resultados, los autores desarrollaron una
técnica empírica basada en factores de certeza. Estos factores de certeza se
calculaban de tal manera que en función de unas evidencias se asigna a la
hipótesis un factor de certeza.
ACTULIZACIONES: Las investigaciones realizadas por la Stanford Medical
School, desvelaron que Mycin tuvo una tasa de aciertos de aproximadamente
el 65%, lo cual mejoraba las estadísticas de la mayoría de los médicos no
especializados en el diagnóstico de infecciones bacterianas.
Poco a poco Mycin fue cayendo en desuso, debido principalmente a alguna de
las debilidades que el programa presentaba, y también, por cuestiones éticas y
legales que surgían al volcar la responsabilidad de la salud de una persona a
una máquina (por ejemplo, si Mycin se equivocaba en algún diagnóstico,
¿quién asumía la culpa, el programador o el médico?).
Otro de los motivos se achaca a la excesiva dificultad que suponía el
mantenimiento del programa. Era este uno de los principales problemas de
Mycin, y en general, de los sistemas expertos de la época, en los cuales se
dedicaban muchos esfuerzos y recursos a extraer el conocimiento necesario de
los expertos en dominio para construir el motor de inferencia.
Dipmeter Advisor
ORIGENES; Fue un sistema experto temprano desarrollado en 1980 por
Schlumberger Doll Research para auxiliar en el análisis de los datos
recolectados durante la exploración petrolera. El Asesor no era simplemente un
motor de inferencias y una base de conocimientos de 90 reglas, sino que era
una estación de trabajo completa, corriendo sobre una maquina Dolphin Lisp
de Xerox ( o, en general, en un procesador de información científica de la serie
1100 de Xerox) y escrito en INTERLISP-D, con una capa de reconocimiento de
patrones que era alimentada por una interfaz gráfica de ususario basada en
menúes. Fue desarrollado por un grupo de gente, incluyendo a Reid G. Smith,
James D. Baker, y Robert L. Young.
Era principalmente influyente, no por un gran salto técnico, sino porque era
bastante exitoso para las divisiones petroleras de Schlumberger y porque fue
una de las poco historia exitosas dentro de la burbuja de la Inteligencia Artificial
en recibir amplia publicidad.
Las reglas de Inteligencia Artificial de Dipmeter Advisor eran principalmente
derivadas de AI Gilreath, un ingeniero de interpretación de Schlumberger que
desarrolló el método de los patrones "rojo, verde, azul" de la interpretación
dipmeter. Desafortunadamente este método tenía aplicaciones limitadas en
entornos geológicos mas complejos fuera de la costa del Golfo, y el Dipmeter
Advisor era principalmente usado dentro de Schlumberger mas como una
herramienta de explosición gráfica para asistir en la interpretación de científicos
geológicos entrenados, que como una herramienta de inteligencia artificial para
ser usada por intérpretes novatos. Sin embargo, la herramienta fue un
acercamiento pionero a las estaciones de trabajo con interpretación gráfica de
la información geológica
Pueden desarrollarse Sistemas Expertos en cualquier lenguaje de
programación. Sin embargo hay algunos lenguajes que por los conceptos
dados son especialmente adecuados. En la mayoría de os casos se subordinan
lenguajes de programación a los diferentes paradigmas de programación.
Prolog
PROLOG es la abreviatura de Programming in Logic, con lo que se hace
mención a la procedencia del lenguaje. Es una relacion de la lógica de
predicados, como lenguaje de programación.
Sintaxis y Semantica: La descripción de la sintaxis en el PROLOG se limita a
las partes necesarias.
Esta descripción no corresponde, por lo tanto, el volumen total de la sintaxis y
semántica del PROLOG
Mecanismos Importantes: Los mecanismos importantes del PROLOG son:
recursividad, instanciación, verificación, unificación backtracking e inversión.
La Recursividad representa la estructura más importante en el desarrollo del
programa. En la sintaxis del PROLOG no existen los bucles FOR ni los saltos,
los bucles WHILE son de difícil incorporación. ya que las cariables sólo pueden
unificarse de una sóla vez. La recursión es más apropiada que otras
estructuras de datos recursivas como son las listas y destacan en estos casos
por una representación más sencilla y de mayor claridad.
La Instancia es la unión de una variable a una constante o estructura. La
variable ligada se comporta luego como una constante.
La verificación es el intento de derivar la estructura a comprobar de una
pregunta desde la base de conocimientos es decir, desde los hechos y reglas.
Si ello es posible, la estructura es verdadera, en caso contraria es falsa.
La Unificación es el componente principal de la verificación de estructuras. Una
estructura estará comprobada cuando puede ser unificada con un hecho, o
cuando puede unificarse con la cabecera de una regla y las estructuras del
cuerpo de dicha regla pueden ser verificadas.
CONCLUSION
Los conocimientos de un sistema experto pueden ser copiados y almacenados
fácilmente, siendo muy difícil la pérdida de éstos.
Entre las ventajas que debemos recalcar se encuentra que los sistemas
expertos sobre los humanos, es que el experto computarizado siempre está a
pleno rendimiento. Cuando un humano se cansa, la exactitud de sus consejos
puede decaer. Sin embargo, el experto computarizado siempre proporcionará
las mejores opiniones posibles dentro de las limitaciones de sus conocimientos.
Otra ventaja menos importante de un sistema experto radica en su falta de
personalidad Como probablemente sabrá, las personalidades no son siempre
compatibles. Si no se lleva bien con el humano experto, puede que se
encuentre reticente a recabar sus conocimientos.
Una última ventaja de un sistema experto está en que después de que un
experto computarizado exista, usted puede crear un nuevo experto
simplemente copiando el programa de una máquina a otra. Un humano
necesita mucho tiempo para convertirse en un especialista en ciertos campos,
lo que hace difícil que puedan aparecer nuevos especialistas humanos.
En base a esto se concluye que un Sistema Experto no posee inteligencia
propia más bien, está basado, mediante el buen diseño de su base de
información y un adecuado motor de inferencias para manipular dichos datos
los cuales le permiten determinar resoluciones finales dados ciertos criterios.
BIBLIOGRAFIA
1. Cuena, J. Notas sobre modelos de razonamiento. Dpto. de I.A., Facultad
de Informática, UPM, 1995.
2. Jackson, P. Introduction to Expert Systems Addison-Wesley, 1990.
3. Bratko, I. Prolog Programming for Artificial Intelligence, Addison-Wesley
Ltd. 1986.
4. Castillo, E., Gutiérrez, J.M. and Hadi, A.S. (1997) Expert Systems and
probabilistic Network Models. Springer Verlag, New York. Versión
castellana publicada por la Academia de Ingeniería (1998)